Begin met het verkennen van de Telco Churn Dataset met pandas om samenvattende statistieken te berekenen en Seaborn om aantrekkelijke visualisaties te maken.

Welkom bij de cursus

Customer churn definiëren

Klantverloop verkennen

Gegevens groeperen en samenvatten

Samenvattende statistieken voor beide klassen

Churn per staat

Je data verkennen met visualisaties

Kenmerkenverdelingen verkennen

Klantservicegesprekken en churn

Exploratory Data Analysis

Nu je de data hebt verkend, is het tijd om te preprocessen en deze klaar te maken voor machine learning. Leer het waarom, wat en hoe van preprocessing, inclusief featureselectie en feature engineering.

Data-preprocessing

Functies identificeren om te converteren

Binaire features encoden

One-hot encoding

Features schalen

Featureselectie en -engineering

Overbodige features verwijderen

Een nieuwe kolom samenstellen

Preprocessing voor churnmodellering

Met je data voorbewerkt en klaar voor machine learning is het tijd om churn te voorspellen! Leer hoe je in Python met scikit-learn supervised learning-modellen bouwt.

Voorspellingen maken

Voorspellen of een nieuwe klant gaat churnen

Nog een scikit-learn-model trainen

Modelprestaties evalueren

Trainings- en testsets maken

Controleer de lengte van elke set

Nauwkeurigheid berekenen

Modelstatistieken

Confusion matrix

Variëren in trainingssetgrootte

Precisie en recall berekenen

Andere modelmetrics

ROC-curve

Oppervlakte onder de curve

Precision-recall-curve

F1-score

Churnvoorspelling

Leer hoe je de prestaties van je modellen verbetert met hyperparameterafstemming en krijg meer inzicht in de drijvende factoren achter klantverloop die je kunt terugkoppelen naar de business.

Je model afstemmen

Afstemmen van het aantal features

Andere hyperparameters afstemmen

Randomized search

Belang van kenmerken

Feature-importances visualiseren

De plot verbeteren

Feature importances interpreteren

Nieuwe features toevoegen

Verbetert de modelprestatie?

Andere metriek berekenen

Tot slot

Modelafstemming

Telco Churn Dataset

Churn (klantverloop) betekent dat een klant stopt met zaken doen of de relatie met een bedrijf beëindigt. Het is een veelvoorkomend probleem in allerlei sectoren, van telecommunicatie tot kabel-tv en SaaS. Een bedrijf dat churn kan voorspellen, kan proactief actie ondernemen om waardevolle klanten te behouden en de concurrentie een stap voor blijven. In deze cursus krijg je een stappenplan om je eigen klantverloopmodellen te bouwen. Je leert hoe je je gegevens verkent en visualiseert, ze voorbereidt voor modellering, voorspellingen doet met machine learning en belangrijke, toepasbare inzichten communiceert aan stakeholders. Aan het einde van de cursus kun je vol vertrouwen de pandas-bibliotheek gebruiken voor data-analyse en scikit-learn voor machine learning.

Data Manipulation with pandas

Leer hoe je Python gebruikt om klantverloop te analyseren en een voorspellend model te bouwen.

Marketinganalyse: klantverloop voorspellen in Python

Leer hoe je Python kunt gebruiken om klantverloop te analyseren en een model te maken om dit te voorspellen.

Marketinganalyse in Python

Feature importances interpreteren

Marketinganalyse: klantverloop voorspellen in Python

Interactieve oefening met praktijkervaring